随着经济的飞速发展,大量电力电子负载和间歇性新能源不断投入电网,电力系统电能质量扰动问题日益突出。为了提高电能质量,需要实时精准监测电网电能质量数据,以便及时发现扰动问题并实施相应的治理措施。鉴于实时采集到的电能质量数据通常会掺杂随机高斯白噪声,而噪声的存在会降低扰动的检测率和识别率。因此,本文主要从电能质量扰动的去噪、检测和分类三个方面展开深入研究。首先,针对传统小波阈值存在的缺陷以及现有改进方法参数取值不明确的问题,提出了一种基于能量优化的改进自适应小波阈值去噪方法。该方法通过引入一个校正因子并结合峰和比对固定阈值进行修正。在计算每层小波系数的能量后,选择能量最低的尺度作为最优临界尺度,并根据该尺度自适应调整校正因子。接着,引入了一个可变参数,对软硬阈值函数进行改进,并基于最优临界尺度来调整该参数在不同尺度下的取值。仿真结果表明,该方法不仅能更有效地滤除噪声,极大程度地保留扰动特征,并且涉及的参数少,计算量小,易于实现。其次,针对传统检测方法在强噪声以及微弱扰动等不良因素影响下存在低精度的问题,本文在改进自适应小波阈值去噪的基础上,提出了一种基于改进快速S变换的电能质量扰动检测方法,同时利用差分和进行扰动定位。改进快速S变换在传统高斯窗函数的基础上引入了一个基于频段取值的可控参数,使得改进后的高斯S变换具有更高的时间分辨率。接着,通过包络极值算法获取扰动特征频率点,并针对特征频率点进行改进高斯S变换来减少计算量。仿真结果表明,即使在强噪声环境下,该方法对微弱扰动也具有较优异的检测效果,且检测速度明显加快。最后,针对传统S变换及其现有改进S变换对短时幅值扰动分类精度低的问题,在本文提出的扰动检测方法上,结合均方根方法提取出五个可以直观反映扰动动态变化的时频域特征值。接着,基于提取的特征值构建了精简有效的决策树,以实现扰动自动分类。为验证本文提取的特征值和构建的决策树的有效性,对实际扰动和处于不同噪声环境下的12种模拟扰动进行仿真分析。仿真结果表明,本文提出的分类方法抗噪性能强,能对多种扰动实现高精度的分类,而且可以避免复杂分类器的设计。